矿井煤层底板突水预测新方法研究

本文针对煤矿矿井煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性的人工神经网络系统（以下简称神经网络）,进行煤层底板突水预测。以作者们研制,使用神经网络的实践为基础,阐述系统、建模方法、适用条件和应用问题,并在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿对所建立的煤层底板突水预测神经网络进行生产性检验,取得良好的结果,说明该系统应用于煤层底板突水预测的可靠性。     

基于CNN神经网络的煤层底板突水预测

为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。     

煤层底板突水预测的理论与实践

以矿山岩石力学观点分析突水问题,从弹、塑性理论出发,在推导煤层底板突水预测公式中,讨论了各参数的选取,并用突水矿资料作了验证。     

煤层底板突水的智能化监测技术

介绍了煤层底板智能监测系统的原理、特点和功能。理论和实际证明突水前兆监测仪能够捕捉突水前的重要信息，实时、准确地预测底板水情，这一项技术对减 矿井突水很有意义。     

岩溶煤矿矿井煤层底板突水预测的相空间重构

本文针对岩溶煤矿矿井煤层底板突水系统动力学行为的复杂性,采用近年发展起来的相空间重构方法,计算了该类复杂系统吸引子的关联维,据此对煤层底板突水行为进行了分析、预测,并用生产实践证明预测的正确性。      

煤层底板突水机制的研究

根据观测,有限元分析等方法提出“原位张裂”与“零位破坏”其同作用导致底板突水的机制。     

煤层底板突水的计算预测及应用

在简评现有煤层底板突水预测理论的基础上,提出了老底板模型。参照采场老顶初次来压步距的构成,论述了老底板极限破除步区a的构成,得出了煤层底板穷水与隔水层、含水层自身性质及开采边界条件的关系、最后提出了利用以往突水资料预测同类或相邻工作面突水与否的反演方法,使预测结果更加令人信服。      

岩溶煤矿矿井煤层底板突水非线性预测方法研究

本文煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性的人工神经网络方法进行煤层底板突水预测。文中系统地阐述了人工神经网络预测的原理、建模方法、适用条件和应用问题,并在肥城矿务局对所建立的煤层底板突水预测人工神经网络系统进行生产性检验,取得良好的效果,说明人工神经网络方法应用于煤层底板突水预测的可靠性。     

煤层底板突水突变模型

本文建立了煤层底板突水的一个尖点突变 (cusp)模型 ,并分析了煤层底板失稳破坏发生突水的机制。基于定态曲面方程 ,可求得煤层底板水压应力比 Ip。当 Ip 1时 ,发生突水 ;当 Ip 1时 ,不会发生突水。基于分支曲线方程 ,可求得煤层底板突水临界采动导水裂隙带深度 h1l,当 h1 h1l 时 ,发生突水 ;当 h1 h1l 时 ,不会发生突水。     

岩溶矿井煤层底板突水的非线性动力学模型

根据多年来的科研生产实践,应用非线性科学理论建立了非线性动力学模型,并考察了模型的动力学行为,发现煤层底板隔水层力学失稳(突水)早期阶段有明显的应力失调现象。利用煤层底板应力、应变监测资料,通过非线性动力学模型计算,可预测煤层底板突水问题是否发生。      

良庄煤矿51101W工作面突水机理

新汶矿业集团良庄煤矿51101W工作面因底板突水导致工作面被淹。通过水质分析,判定突水水源是奥陶系灰岩岩溶水。根据工作面附近的地质构造推断,突水通道为延伸到奥陶系与石炭系不整合面的铲状滑动断层(该断层最大落差只有7 m左右)。结合工程实践指出,在该矿,根据断层落差来判断断层导水性的观点并不正确,并提出了“用断层落差(H)与其倾角(α)之比值(S)来说明断层对突水影响程度”的观点。     

利用人工神经网络法预测煤层厚度研究

我国的兖州、淮北、平顶山、焦作等矿区,普遍存在着煤层缺失、剥失、分叉、合并等现象,煤层厚度变化对煤炭开采产生很大影响.据资料统计,如果实际煤厚比设计煤厚变薄10%～20%时,煤炭产量就会下降35%～40%.煤田高分辨率三维地震勘探的开展,为解决地质问题提供了丰富的三维数据体,特别是为BP人工神经网络法研究煤层厚度提供了多种地震波属性.     

基于BP神经网络的稳定湖相和风成沉积物粒度数据表征方法

沉积物的形成受到多种地质因素的综合控制。通过粒度分析可判别沉积物的成因类型,推断其形成的沉积环境,解释环境演变;而沉积物的粒度组分除了受到原岩的控制外,还受到机械沉积作用的影响难以准确预测。运用人工神经网络对稳定湖相沉积物和风沉积物的粒度参数进行研究,将沉积物的4个粒度参数作为网络模型的输入变量,在对168个浙闽沿海迎风岸风成老红砂样品和282个苏贝淖湖滨湖泊沉积物样品所对应的粒度参数进行数据样本训练之后,获得了基于BP神经网络的稳定湖相和风沉积物预测模型。然后利用448个大树摆鱼湖相沉积物粒度参数样本和100个兰州榆中黄土风沉积物粒度参数样本作为测试样本对该模型进行了测试和验证,结果显示模型的可靠性较好,能够对沉积物的形成环境做出正确的判断。     

基于神经网络理论的河道水情预报模型

河道水流运动过程特别是洪水演进过程是一个复杂的非线性动力学过程,鉴于神经网络具有很强的处理大规模复杂非线性动力学系统的能力,本文将神经网络理论用于河道水情预报的研究,以期识别水流运动变化过程与其影响因子之间的复杂非线性关系,为河道水情预报提供了一条新的途径。在此基础上建立了螺山站洪水预报的非线性动力学模型,通过分析研究得出近年来特别是1998年长江中游出现的小流量高水位现象与螺山汉口河段累计淤积有关并得到螺山站水位变化与河床淤积之间的定量关系。     

Artificial Neural Network Prediction Models for Soil Compaction and Permeability

This paper presents Artificial Neural Network (ANN) prediction models which relate permeability, maximum dry density (MDD) and optimum moisture content with classification properties of the soils. The ANN prediction models were developed from the results of classification, compaction and permeability tests, and statistical analyses. The test soils were prepared from four soil components, namely, bentonite, limestone dust, sand and gravel. These four components were blended in different proportions to form 55 different mixes. The standard Proctor compaction tests were adopted, and both the falling and constant head test methods were used in the permeability tests. The permeability, MDD and optimum moisture content (OMC) data were trained with the soil’s classification properties by using an available ANN software package. Three sets of ANN prediction models are developed, one each for the MDD, OMC and permeability (PMC). A combined ANN model is also developed to predict the values of MDD, OMC, and PMC. A comparison with the test data indicates that predictions within 95% confidence interval can be obtained from the ANN models developed. Practical applications of these prediction models and the necessary precautions for using these models are discussed in detail in this paper.     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法（PSO）优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

距离判别法在矿山防治水中应用

以淮南潘二矿区、山西河池矿区和河南焦作矿区水样作为突水水源数据,采用距离判别分析理论,对突水水源进行判别分析。选用六大常规离子作为判别因子,分别建立矿井突水水源的距离判别分析模型。经回判检验表明,潘二水样和焦作水样的距离判别模型回判准确率超过90％,而河池矿区水样距离判别模型的回判准确率仅50％。为此,增加总硬度、碱度、PH值和矿化度作为判别因子,重新建立河池矿区水样的距离判别分析模型,回判准确率提高至90％,证明适当增加特征判别因子对改善距离判别分析模型的判别准确率有利。最后对三个矿区的未知样本进行了距离判别分析,并与Bayes逐步判别法和模糊综合评判法判别结果对比,结果表明距离判别法稳定性较好,判别准确率与Bayes逐步判别基本相同,比模糊综合评判要好。因此,在判别因子选择合适的情况下,距离判别法是目前矿井突水水源判别的有效方法。     

神经网络在判别煤矿突水水源中的应用

矿井突水水源的识别是矿井防治水工作的基础，快速准确地判别突水的来源对整个矿井的安全生产起着十分重要的作用。以峰峰矿区梧桐庄矿为例，应用神经网络的方法，对矿井突水水源进行了系统研究。结果表明，运用该方法取得了较好的效果，并可以用此模型来解决类似的评价和判别问题。     

突变学理论在桃园矿10煤底板突水预测中的应用

10煤是桃园煤矿三大主采煤层之一。距离其较近的太灰含水层,是10煤开采的直接充水含水层。在该含水层外围,以奥陶系为主的隐伏型碳酸盐类裂隙岩溶含水岩组,是其强大的补给来源,这对矿井安全威胁较大。采用突变学方法建立了煤层底板突水预测模型,对桃园煤矿10煤1026^-2、1041^-2和1031工作面底板突水的可能性进行了预测,为桃园煤矿底板突水防治提供了理论依据。     

人工神经网络氡气灾害模型在铀矿山的应用

对多层前馈神经网络模型(BP神经网络)的结构特点、数据分析、学习方法和过程等内容做了分析。以中核抚州金安铀业有限公司铀矿山氡气状态为学习训练样本及预测样本,建立铀矿山氡气灾害模型。讨论了基于BP神经网络技术的氡气灾害模型分析方法及其有效性。通过实例样本的训练检验表明,采用人工神经网络方法对铀矿山氡灾害预测取得了比较满意的效果,为神经网络在铀矿山氡气灾害预报的应用提供了可行性。